随着社交媒体平台的不断发展,越来越多的人习惯使用微博发表自己的观点意见,通过人工智能技术挖掘这些微博数据所隐含的有价值的信息,能够更好地帮助人们高效的进行生产实践。本文主要是对微博情感分析方法进行探索,着力于挖掘更多的隐藏信息来提升微博情感分类的准确度。本文基于深度神经网络技术,通过分析微博的文本特点,基于循环神经网络,Attention机制,图卷积神经网络等提出了有效的微博情感分析方法。本文详细介绍了文本情感分析的研究背景、现状与意义等,然后细致地介绍了情感分析相关技术,本文研究微博情感分类问题取得了如下成果,具体如下:针对当前研究数据资源不足的问题,我们构造了包含用户信息的微博情感分析数据集MEDUI以及包了用户信息和时序信息的微博数据集MUT,并公开了数据集,为在情感分析工作中需要考虑用户因素或者时序因素的研究者提供了新的数据资源。针对情感分析研究中用户情感倾向考虑缺乏的问题,我们提出了一种基于用户自身情感倾向的微博情感分类新方法,描述了基于用户自身情感倾向的微博情感分析模型架构:言论情感得分的获得,用户情感倾向的抽象表示,词表征的结构,总体模型的架构以及模型的训练的实现细节。同时介绍了实验数据,实验环境以及实验参数,设计对比实验,并对实验结果进行了分析总结。针对微博数据稀疏,用户情感的动态变化问题,提出了一种利用不同类型的用户历史信息和用户的情绪状态信息进行微博情感分类的新方法,描述了模型架构:词表征,微博文本表征,用户历史信息应用,总体模型架构以及模型的训练的实现细节。同时介绍了实验数据,实验环境以及实验参数,设计对比实验,并对每一模块单元的实验结果都进行了分析与总结。针对词表征缺乏全局特征的问题,提出了一种新颖词结构方法,即包含语义特征,情感特征以及全局依赖性的词表征方法。基于建立在整个语料库上的文本图,应用图卷积网络来挖掘词的全局语义依赖关系。同时介绍了实验数据,实验环境以及实验参数,设计对比实验,对实验结果都进行了分析与总结。